mixOmics для гуманитариев

Ниже будет показано, как улучшить полученные диаграммы, чтобы облегчить интерпретацию результатов.

Диаграммы можно настроить с помощью многочисленных опций в plotIndiv и plotVar. Даже если PCA не принимает во внимание какую-либо информацию об известном членстве в группе каждой выборки, можно включить такую информацию в выборку для визуализации любого «естественного» кластера данных, который может быть обусловлен педагогической спецификой и условиями отбора группы.

Так, например, следующая команда включает информацию о классе в группах выборки аргументом группирования:

plotIndiv(My_result.pca, group = My_table$Класс,

legend = TRUE)

Кроме того, два фактора могут отображаться с использованием как цветов (аргумент group), так и символов (аргумент pch).

plotIndiv(My_result.pca, ind.names = FALSE,

group = My_table$'Класс',

pch = as.factor(My_table$'Тема2'),

legend = TRUE, title = 'Успеваемость по второй теме',

legend.title = 'Класс', legend.

Путем добавления информации, связанной с классом и оценкой появляется возможность увидеть кластер наблюдений успеваемости близких к эталонному образцу (зелёный ромб в левом нижнем углу), в то время как образцы с низкой успеваемостью (синие треугольники) оказались сгруппированы отдельно, но явно обнаруживается эффект разделения обучающихся на классы.

Чтобы отобразить результаты на других компонентах, можно изменить аргумент comp при условии, что было запрошено достаточно компонент для расчета. Приведём второй пример PCA с тремя компонентами, в котором третий компонент по оси PC3 четко разграничивает обучающихся по классам:

My_result.pca2 <– pca(X, ncomp = 3)

plotIndiv(My_result.pca2,

comp = c(1,3),

legend = TRUE,

group = My_table$'Класс',

legend.title = 'Класс',

title = 'Анализ успеваемости, PCA 1-3')

В связи с этим возникает естественный вопрос об оптимальном количестве главных компонент. С другой стороны, важную роль в дисперсионном анализе (ANOVA) играет объясненная дисперсия, пропорционально характеризующая долю общего числа образцов, охватываемую той или иной главной компонентой. Объяснённая дисперсия может быть представлена наглядно, функцией plot, либо фактическими численными её пропорциями и накапливаемыми пропорциями:

plot(My_result.